VGG网络的理解

VGG的主要作用：
（1）小卷积核（33）和多个小卷积核卷积（多个小卷积核替代大卷积核）。
注：（1）一方面，可以减少权重参数，避免过拟合，更有利于模型训练。
（2）另一方面，增加了更多的非线性映射，具有更好的分类性能和表达能力。
（2）深度增加，最多增加为19层。
（3）使用了11卷积核，可以对不同的特征通道进行线性组合。
总结：
使用非常小的（3×3）卷积滤波器架构对网络深度的增加进行了全面评估，这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。
VGG网络的改进点：
1 使用了更小的33卷积核，和更深的网络。两个33卷积核的堆叠相对于55卷积核的视野，三个33卷积核的堆叠相当于77卷积核的视野。这样一方面可以有更少的参数（3个堆叠的33结构只有77结构参数数量的(333)/(77)=55%）；另一方面拥有更多的非线性变换，增加了CNN对特征的学习能力。

2 在VGGNet的卷积结构中，引入1*1的卷积核，在不影响输入输出维度的情况下，引入非线性变换，增加网络的表达能力，降低计算量。

3 训练时，先训练级别简单（层数较浅）的VGGNet的A级网络，然后使用A网络的权重来初始化后面的复杂模型，加快训练的收敛速度。</